路徑識別的神經(jīng)網(wǎng)絡(luò)算法研究

摘要：飛思卡爾智能車是由電磁傳感器檢測車身偏離導(dǎo)線的偏差量，配合舵機和電機的動作來實現(xiàn)自動循跡。針對智能車循跡過程中偏差量準(zhǔn)確計算的難點，提出了神經(jīng)網(wǎng)絡(luò)路徑識別算法。采用四個電感線圈作為路徑識別的傳感器，將四路傳感器的感應(yīng)信號值作為多層前饋神經(jīng)網(wǎng)絡(luò)的輸入值，理想偏差量作為多層前饋神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出值，在matlab環(huán)境下進行訓(xùn)練，得到微控制器所需的參數(shù)值。將此算法移植到智能車的應(yīng)用上，計算得出的偏差量與實際偏差量的誤差在±1cm以內(nèi)。

關(guān)鍵詞：智能車；電磁循跡；路徑識別；神經(jīng)網(wǎng)絡(luò)；偏差量

中圖分類號：TP391.41 文獻標(biāo)識碼：A 文章編號：1007-9599 （2012） 17-0000-02

1 引言

人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)建立起來的非線性動力學(xué)系統(tǒng)具有自我學(xué)習(xí)、聯(lián)想存儲以及高速尋求最優(yōu)解的強大功能，它的分類能力和非線性映射能力使得它在系統(tǒng)辨識、模式識別、圖像處理、智能控制等領(lǐng)域有著廣泛而吸引人的前景，并且越來越多地被人們所運用。

“飛思卡爾”杯全國大學(xué)生智能車競賽中的電磁組是依據(jù)電磁感應(yīng)原理，實現(xiàn)智能車的自動循跡。以飛思卡爾公司生產(chǎn)的MC9S12XS128芯片作為微控制器，以通有固定頻率和電流值的導(dǎo)線作為目標(biāo)路徑，用電磁傳感器檢測智能車偏離導(dǎo)線的偏差量，配合舵機和電機的動作在50cm寬的賽道上實現(xiàn)自動循跡。其中偏差量的檢測與計算是智能車能否準(zhǔn)確快速跟蹤引導(dǎo)線的關(guān)鍵。當(dāng)前偏差量的計算算法主要有兩種，一種是取感應(yīng)電動勢最大的傳感器位置作為線徑所在位置，這種方法本質(zhì)上以點來檢測，測量精度低，需要的傳感器數(shù)量大。另外一種是根據(jù)感應(yīng)電動勢的特點，將兩個傳感器的感應(yīng)電動勢作差值計算，得到電動勢與偏差量之間的一個二次函數(shù)，這種方式計算是關(guān)于二次函數(shù)來進行的，計算量大，對檢測的實時性會有所影響。本文提出的方案，是以電感線圈作為傳感器來檢測路徑，基于人工神經(jīng)網(wǎng)絡(luò)算法來計算車身相對引導(dǎo)線的偏移量，把樣本數(shù)據(jù)放在matlab環(huán)境下訓(xùn)練，得到滿足誤差要求的參數(shù)，然后將參

2 BP神經(jīng)網(wǎng)絡(luò)模型基本原理

BP神經(jīng)網(wǎng)絡(luò)由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，中間層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反向傳播。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如所示：

BP神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層和輸出層構(gòu)成。輸入信號先向前傳播到隱含層節(jié)點，經(jīng)作用函數(shù)后，把隱節(jié)點的輸出信號傳播到輸出節(jié)點，最后得出輸出結(jié)果。本文中隱層節(jié)點的激勵函數(shù)選取雙曲正切S型函數(shù)，

（1）

在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小。

前向傳播過程：

（1）隱層神經(jīng)元的輸入為輸入神經(jīng)元的加權(quán)和加上輸入層到隱層的閾值。

（2）

（2）隱層神經(jīng)元的輸出為：

（3）

（3）輸出層神經(jīng)元輸出為隱層神經(jīng)元的輸出加權(quán)和加上隱層到輸出層閾值。

（4）

網(wǎng)絡(luò)輸出y1與理想輸出y01的誤差e1為：

e1=y10-y1 （5）

反向傳播采用L-M優(yōu)化算法，調(diào)整各層間的權(quán)值。L-M算法是一種利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)的快速算法，它是梯度下降法與高斯-牛頓法的結(jié)合。設(shè)W（k）表示第 k 次迭代的權(quán)值和閾值所組成的向量新的權(quán)值和閾值組成的向量W（k+1）可根據(jù)下面的規(guī)則求得：

（6）

對于L-M算法則有：

（7）

其中，J為雅克比矩陣。比例系數(shù)μ>0為常數(shù)，I為單位矩陣。當(dāng) μ=0即為高斯-牛頓法；當(dāng)μ取值很大則接近梯度下降法。實踐證明，采用L-M算法可以較原來的梯度下降法提高速度幾十甚至上百倍。本文采用L-M算法進行訓(xùn)練。

3 Matlab中神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)

3.1 獲取樣本數(shù)據(jù)

根據(jù)麥克斯韋電磁場理論，通有交變電流的導(dǎo)線會在其周圍產(chǎn)生交變的電磁場，如果在里面放置一個電感線圈，電磁感應(yīng)作用會使線圈中產(chǎn)生交變的感應(yīng)電壓。智能車使用電感線圈作為傳感器檢測導(dǎo)線周圍磁場信息，由電磁學(xué)可知，水平放置的電感線圈在導(dǎo)線磁場內(nèi)的感應(yīng)電動勢E=h/（h2+x2），h表示傳感器離導(dǎo)線的垂直距離，x代表傳感器距離導(dǎo)線的水平距離。假設(shè)h=5cm，x在±15cm內(nèi)電動勢和水平距離的關(guān)系曲線如2所示：

經(jīng)過實際測試，使用四路傳感器比較合適。傳感器分布以車軸為中心，間隔為12cm 呈“一”字均勻排列構(gòu)成前瞻，傳感器距離水平面15cm，距離車身50cm。布局示意圖如圖3所示：

圖2電動勢和水平距離的曲線圖 3前瞻分布示意圖

將傳感器的感應(yīng)電動勢進行檢波放大 ，把處理后的信號經(jīng)AD轉(zhuǎn)換得到傳感器信號值。轉(zhuǎn)換過程如圖4所示。

本系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的輸入為四路傳感器的感應(yīng)電壓信號，輸出為小車車身偏移引導(dǎo)線的水平偏移量，綜合考慮訓(xùn)練誤差和速度，設(shè)置隱含層得神經(jīng)元個數(shù)為10。訓(xùn)練目標(biāo)誤差平方和取為0.000005 ，訓(xùn)練次數(shù)為5000次。

3.2 智能車算法實現(xiàn)：

最終算法的實現(xiàn)需要將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練好的權(quán)重和閾值移植到智能車的微控制器中去。通過BP神經(jīng)網(wǎng)絡(luò)對智能車采集到的輸入信號進行處理運算，計算得到的輸出層的神經(jīng)元輸出值就是當(dāng)前車軸中心線偏離引導(dǎo)線的偏差量，根據(jù)此值進行相應(yīng)的打舵與調(diào)速操作，以實現(xiàn)智能車的快速穩(wěn)定循跡。

4 實驗結(jié)果與分析

記錄并分析實驗數(shù)據(jù)，matlab訓(xùn)練得到的實際輸出與理想輸出之間的關(guān)系如圖5所示：

由上圖可知，基于BP神經(jīng)網(wǎng)絡(luò)算法計算出的偏差量與理想偏差量之間的誤差在±1cm以內(nèi)。在“飛思卡爾”杯智能汽車競賽中，由于神經(jīng)網(wǎng)絡(luò)的非線性映射能力和高速尋求最優(yōu)解能力，把它應(yīng)用到智能車的循跡上來效果是很明顯的，它不需要計算感應(yīng)電動勢和偏差量之間的非線性關(guān)系，把計算量很大的訓(xùn)練過程放在matlab環(huán)境下進行，微控制器直接使用matlab下訓(xùn)練得到的參數(shù)就可以了。

5 結(jié)論

本文在當(dāng)前主流循跡算法的基礎(chǔ)上，提出了基于BP神經(jīng)網(wǎng)絡(luò)的路徑識別算法，并詳細敘述了基本原理和具體的實現(xiàn)方法。實驗結(jié)果證明：使用BP神經(jīng)網(wǎng)絡(luò)計算得到的結(jié)果誤差在±1cm以內(nèi)，它可以大幅度地提高智能小車對環(huán)境的適應(yīng)性，從而降低系統(tǒng)對智能小車硬件的要求。但其激勵函數(shù)和學(xué)習(xí)算法仍需要深入研究，并且在實際運用中還有待提高，以達到更好的應(yīng)用效果。

參考文獻：

[1]卓晴，黃開勝，邵貝貝.學(xué)做智能車[M].北京：北京航天航空出版社，2007.

[2]馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].機械工業(yè)出版社，2010.

[3]張雨濃，楊逸文，李巍.神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法[M].中山大學(xué)出版社，2010.

[4]陳杰，黃鴻.傳感器與檢測技術(shù)[M].北京：高等教育出版社，2002.

[5]飛思卡爾競賽管理秘書處，電磁組競賽車模路徑檢測設(shè)計參考方案，2010.

[6]童詩白，華成英.模擬電子技術(shù)基礎(chǔ)[M].高等教育出版社，2000.

[7]傅薈璇，趙紅等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].機械工業(yè)出版社，2010.

[8]CS12微控器原理及應(yīng)用[M].北京航天航空大學(xué)出版社，2007.

[作者簡介]

龐抗（1988.10-）長安大學(xué)碩士在讀，研究方向，控制理論與控制工程。